基于模型的输出反馈网络控制系统反馈调度研究

针对基于模型的网络控制系统缺乏应对动态变化的网络负载问题l,设计反馈调度器,依据实际的网络拥塞情况,调整基于模型的网络控制系统的状态更新时间.为应对状态不完全可测的情况,在控制结构中使用了状态观测器,并证明了所提出系统在可变更新时间情况下的稳定性.仿真结果验证了稳定性条件的正确性和新网络控制系统结构的有效性.

     

量化状态反馈网络化系统的稳定性分析

针对网络控制系统(Networked Control System,NCS)中普遍存在的有限带宽和信息量化问题,采用基于模型的控制策略,研究了量化状态反馈下一类网络控制系统的稳定性.分析了量化误差、更新时间、模型误差对系统稳定性的影响,并给出了系统模型状态、对象状态的稳定域范围.仿真结果表明了结论的正确性.     

量化状态反馈网络化系统的稳定性分析

针对网络控制系统（Networked Control System,NCS）中普遍存在的有限带宽和信息量化问题,采用基于模型的控制策略,研究了量化状态反馈下一类网络控制系统的稳定性。分析了量化误差、更新时间、模型误差对系统稳定性的影响,并给出了系统模型状态、对象状态的稳定域范围。仿真结果表明了结论的正确性。     

一类基于模型的时延网络控制系统的稳定性分析

针对连续、线性被控对象状态无法直接测量得到的情况，设计了状态观测器，在网络传输信号的时间间隔内，依据被控对象模型计算控制信号，以减少网络的使用率．在此基础上，给出了一类基于模型的时延网络控制系统全局指数稳定的充要条件，该条件受网络信号更新时间、被控对象模型误差及网络诱导时延等因素的影响．仿真结果表明了该稳定性条件的正确性．     

基于延时预测的模型状态反馈网络控制方法

网络延时的存在不仅会使控制系统的动、静态性能变差,还可能会破坏系统的稳定性,造成既有控制方法的失效。针对带有随机延时的网络控制系统,提出了一种基于网络延时实时预测和系统状态逼近的控制方法。首先,建立无延时的理想控制系统模型作为标准控制系统模型;其次,应用基于隐马尔可夫模型(HMMs)的延时预测算法预测网络延时,该方法能够实时自适应学习,以适应网络负载情况的变化,得到更符合实际情况的延时预测值;最后,根据网络延时的预测值、实际网络控制系统与标准控制系统模型的状态之差,来调整控制信号,从而使实际网络控制系统的状态与标准控制系统模型接近、甚至相等,达到期望的控制效果。数字仿真结果表明,这一方法是可行的,能够获得更加快速的动态性能和稳定的静态性能。     

基于区间二型T-S模糊模型的网络控制系统的输出反馈预测控制

针对干扰作用下的非线性网络控制系统,给出了带一个自由控制作用的输出反馈预测控制方法.首先,利用区间二型T-S模糊模型描述具有参数不确定性的非线性对象,采用马尔科夫链描述系统中的随机丢包过程,由此建立了丢包网络环境下的非线性网络控制系统的数学模型.然后,通过引入二次有界技术得到了干扰作用下网络控制系统的稳定性描述方法,并在此基础上给出了状态观测器的线性矩阵不等式条件.最后,基于估计状态,通过将无穷时域控制作用参数化为一个自由控制作用加一个线性反馈律得到了输出反馈预测控制方法.论文的特色在于构建了在线更新误差椭圆集合的基本方法,满足了约束条件下输出反馈预测控制保证稳定性的要求.仿真例子验证了所提方法的有效性.     

基于模型的网络控制系统稳定性

针对具有时间延迟的网络控制系统被控对象状态无法直接测量得到的情况,设计了状态观测器,并讨论了系统指数稳定性问题．提出了在网络传输信号的时间间隔内依据被控对象模型计算控制信号的开环控制方法,以减少对网络的使用．在此基础土,分别对连续和离散被控对象给出了网络控制系统全局指数稳定的充要条件,该条件受网络信号更新时间、被控对象模型误差及网络引起的时间延迟等因素的影响．仿真示例验证了稳定性条件的有效性。     

基于模型的网络控制系统稳定性分析及应用

针对时延网络控制系统中被控对象状态无法直接测量的情况,提出了基于模型的时延网络控制系统模型。系统采用状态反馈控制器,在网络信号传输时间间隔内,以被控对象模型为依据,计算控制信号,以减少系统对网络的依赖。在此基础上,给出了网络控制系统全局指数稳定的充要条件,该条件受网络信号更新时间、被控对象模型误差及网络引起的时延等因素的影响。仿真示例验证了该条件的有效性,应用在工业控制系统中,取得了较好的控制效果。     

基于误差阈值通信逻辑的输出反馈网络控制系统设计

针对网络控制系统被控对象状态无法直接测量的情况,设计了状态观测器,给出了一种基于误差阈值的确定通信逻辑,应用于基于模型的网络控制系统中,提出了具有确定通信逻辑的网络控制系统结构,建立了系统模型,仿真数例表明加入确定通信逻辑后,在保持系统稳定的情况下,数据发送的次数明显减少,有效地减轻了网络负载。     

基于模式运动的一类复杂生产过程的状态反馈渐近稳定性

针对基于模式运动描述的一类复杂生产过程的稳定性,给出了系统稳定的定义,提出了分析与判断系统渐近稳定的方法和充分条件.首先,介绍了基于模式运动的控制系统动力学描述方法.针对描述方法中的强非线性的分类、度量映射难以采用可运算函数描述的问题,推导并建立了相应的控制系统非线性状态空间模型.然后,利用李雅普诺夫稳定性理论研究了在状态反馈控制下时间离散、状态离散的非线性系统渐近稳定的充分条件,建立了系统输出的类别划分、状态空间模型的线性部分系统矩阵与系统渐近稳定的关系.最后,采用烧结机实际生产数据与非线性数值算例对该方法进行了仿真实验,结果验证了所提条件的有效性.     

Feedback scheduling of model-based networked control systems with flexible workload

In this paper, a novel control structure called feedback scheduling of model-based networked control systems is proposed to cope with a flexible network load and resource constraints. The state update time is adjusted according to the real-time network congestion situation. State observer is used under the situation where the state of the controlled plant could not be acquired. The stability criterion of the proposed structure is proved with time-varying state update time. On the basis of the stability of the novel system structure, the compromise between the control performance and the network utilization is realized by using feedback scheduler.Examples are provided to show the advantage of the proposed control structure.     

Output feedback control of networked systems

This paper considers the problem of control of networked systems via output feedback. The controller consists of two parts: a state observer that estimates plant state from the output when it is available via the communication network, and a model of the plant that is used to generate a control signal when the plant output is not available from the network. Necessary and sufficient conditions for the exponential stability of the closed loop system are derived in terms of the networked dwell time and the system parameters. The results suggest simple procedures for designing the output feedback controller proposed. Numerical simulations show the feasibility and efficiency of the proposed methods.     

面向长周期的交通状态反馈诱导策略

受检测器和诱导信息板显示形式的限制,诱导信息更新周期通常较长。为此,根据备选路径交通状态而非行驶时间制定诱导策略,利用交通状态相对稳定的特点,进一步提出状态反馈诱导策略;为减少长周期与时变交通需求间的矛盾及其他误差,提出了状态与时间反馈策略相结合的混合策略。仿真实验表明,面对长周期时,状态反馈策略可以满足稳定性和准确性的双重要求,混合策略则进一步提高了诱导的准确性。     

State feedback control of networked systems with uncertain plant

This article, considers the problem of state feedback control of networked systems with an uncertain plant. The signals for feedback periodically switch between the plant state and the state of a model of the plant according to whether the plant state is available from the communication network or not. The model is used to generate control signals when the plant state is not available from the network. A sufficient condition for the robust exponential stability of the closed-loop system is derived in terms of the network dwell time and the system parameters. Examples are also worked out to demonstrate numerical procedures for designing state feedback controller of the system based on the obtained results. Simulations show the feasibility and efficiency of the proposed methods.     

不确定时滞网络控制系统的状态反馈控制

在网络传输过程中, 系统的稳定性受不确定, 网络延迟, 丢包和错序所影响. 本文针对这些非理想网络状况,研究了网络控制系统状态反馈控制. 建立连续时间系统模型时, 还引入了一个定常状态时延, 使得模型更贴近实际.随后, 运用改进的Lyapunov-Krasovskii函数, 推导出网络控制系统鲁棒稳定的充分条件, 并基于该充分条件得到利用线性矩阵不等式(LMI)的控制器设计方法, 再运用迭代算法求解相关系数. 最后通过MATLAB数值仿真算例, 证明了本文方法的正确性和有效性.     

Data-based construction of feedback-corrected nonlinear prediction model using feedback neural networks

We propose to fit a recurrent feedback neural network structure to input–output data through prediction error minimization. The recurrent feedback neural network structure takes the form of a nonlinear state estimator, which can compactly represent a multivariable dynamic system with stochastic inputs. The inclusion of the feedback error term as an input to the model allows the user to update the model based on feedback measurements in real-time uses. The model can be useful in a variety of applications including software sensing, process monitoring, and predictive control. A dynamic learning algorithm for training the recurrent neural network has been developed. Through some examples, we evaluate the efficacy of the proposed method and the prediction improvement achieved by the inclusion of the feedback error term.     

Event-triggered-based integral reinforcement learning output feedback optimal control for partially unknown constrained-input nonlinear systems

In this paper, an adaptive output feedback event-triggered optimal control algorithm is proposed for partially unknown constrained-input continuous-time nonlinear systems. First, a neural network observer is constructed to estimate unmeasurable state. Next, an event-triggered condition is established, and only when the event-triggered condition is violated will the event be triggered and the state be sampled. Then, an event-triggered-based synchronous integral reinforcement learning (ET-SIRL) control algorithm with critic-actor neural networks (NNs) architecture is proposed to solve the event-triggered Hamilton–Jacobi–Bellman equation under the established event-triggered condition. The critic and actor NNs are used to approximate cost function and optimal event-triggered optimal control law, respectively. Meanwhile, the event-triggered-based closed-loop system state and all the neural network weight estimation errors are uniformly ultimately bounded proved by Lyapunov stability theory, and there is no Zeno behavior. Finally, two numerical examples are presented to show the effectiveness of the proposed ET-SIRL control algorithm.     

严格反馈非线性系统的自适应神经网络输出反馈控制

基于非线性反馈函数,文章设计神经网络状态观测器,解决一类非线性系统的输出反馈控制问题.非线性反馈神经网络观测器在系统存在不确定性函数的情况下实时估计系统状态.利用所获得的状态信号,设计了自适应神经网络动态面控制器,同时保证了闭环系统的稳定性和所有信号的有界性.通过调节设计参数的取值能够达到期望的闭环跟踪性能.数值仿真表明,所设计的状态观测器不需要对原系统做状态变换,能够克服输出反馈滑模控制器带来的抖震问题.